丰富神经网络训练数据集以改进最坏情况性能保证
机器学习
2023-03-24 v1 人工智能
系统与控制
系统与控制
机器学习
摘要
机器学习算法，尤其是神经网络（NNs），是用于以相当高的精度近似非线性关系（如 AC-最优潮流（AC-OPF））的有价值工具——并且在部署使用时可实现数个数量级的加速。在电力系统的文献中，神经网络通常用训练过程之前生成的固定数据集进行训练。在本文中，我们表明在训练期间自适应地丰富神经网络训练数据集能够改善神经网络性能并大幅减少其最坏情况违例。本文提出一种算法，该算法识别并用关键数据点丰富训练数据集，从而减少最坏情况违例并提供具有改进的最坏情况性能保证的神经网络。我们在从 39 总线到 162 总线的四个测试电力系统中展示了我们算法的性能。
引用
@article{arxiv.2303.13228,
title = {Enriching Neural Network Training Dataset to Improve Worst-Case Performance Guarantees},
author = {Rahul Nellikkath and Spyros Chatzivasileiadis},
journal= {arXiv preprint arXiv:2303.13228},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2212.10930